VAE是英文Variational Autoencoder的缩写，中文意思是变分自编码器。它是深度学习中的一种神经网络模型，属于自编码器的一种。自编码器是一种常见的无监督学习网络，可以用于特征提取和数据降维。
VAE被广泛应用于机器学习中的概率生成模型，特别是生成式深度学习，例如在图像、音频和自然语言处理等领域。利用概率模型进行可解释的生成式学习可以在学习有效潜在表示时提供一定的保证。
VAE的基本思想是在自编码器中添加隐变量，将编码器和解码器的输入输出都拆分成两部分，其中一部分是确定的，另一部分是分布的并且通过随机采样得到，这个分布通常是高斯分布。编码器对输入数据生成一个高斯分布的均值和方差，解码器利用采样得到的隐变量重构输出。VAE的目的是让训练数据在隐空间中服从一个先验分布，这个分布通常也是高斯分布，因此VAE可以通过最小化重构误差和隐分布的KL散度来学习数据的潜在分布和重新对样本进行生成。
VAE是一种常见的深度生成式模型，它可以在无监督情况下对数据进行特征提取和降维，并且可以通过最小化重构误差和隐分布的KL散度来学习数据的潜在分布。